在关于两种处理方法的因果推断中，条件平均处理效应（CATEs）作为一种代表个体因果效应的数量起着重要角色，它被定义为在协变量条件下两种处理方法的期望结果的差异。本研究假设了两个潜在结果与两种处理方法的协变量之间的线性回归模型，并将 CATEs 定义为这两个线性回归模型之间的差异。我们提出了一种方法，用于在高维度和非稀疏参数下一致地估计 CATEs。通过假设 CATEs 的隐式稀疏性，我们展示了理论上的一致性等理想性质的实现性，即使不显式假定稀疏性。利用这种假设，我们开发了一种专门用于 CATE 估计的 Lasso 回归方法，并证明了估算量的一致性。最后，我们通过模拟研究确认了所提出方法的合理性。
Oct, 2023
通过学习多准确性预测器，我们提出了一种方法，用于在部署时解决未知协变量转变，从而改善异质处理效应预测，并在因果推断和机器学习中取得了令人满意的结果。
May, 2024
基于 Q 聚合的因果效果估计模型集成方法，在非凸的模型选择问题中取得了统计上最优的模型选择遗憾率，不需要候选模型接近真实情况。
我们提出了一种名为数据协作双重机器学习（DC-DML）的方法，用于估计具有隐私保护的分布式数据的 CATE 模型，并通过数值实验对该方法进行了评估。
Feb, 2024
本研究提出了一种能够学习条件平均治疗效果的函数区间估计器，通过加权核估计与对手模型，实现了在实际未观测混淆下，对个体因果效应的预测，并且通过个性化决策规则，实现了渐近无遗憾的最优性能。
Oct, 2018
本文提出了广义 Robinson 分解方法，用于处理结构化干预条件下的条件平均处理效应（CATE）估计问题。在小世界和分子图像的实验中，与之前的工作相比，我们的方法在 CATE 的估计方面表现更好。
Jun, 2021
本研究提出了一种可扩展的损失最小化方法，用于估计有界效应的未观察混淆因素对治疗选择的倾向比的条件平均治疗效应（CATE）的界限。同时，还引入了灵活的模型类别进行估计，并提供了关于平均治疗效应（ATE）的灵敏度分析，我们发现最优边界在某些情况下是紧的。该方法在模拟和实际数据示例上表现出准确的覆盖率。
Aug, 2018
研究调查了特定个体因果效应的度量 —— 条件平均处理效应（CATE）的估计和统计推断方法，使用线性模型定义 CATE 为这些线性模型的预期结果之间的差异，并通过高维线性回归方法进行一致性估计和统计推断，进一步使用双重 / 无偏机器学习（DML）和无偏 Lasso 技术减小偏差，通过模拟研究验证了方法的有效性。
Mar, 2024
本文提出了一个针对观测研究中异质性处理效应估计的两阶段算法，其中，通过估计边际效应和治疗倾向来形成一个分离因果信号的客观函数，然后优化这个数据自适应的目标函数。我们的方法具有灵活性和易用性，并且针对不同的实际情况也有优势。
Dec, 2017
在这篇论文中，我们采用最近引入的无结构统计下界框架，证明了双重稳健估计器在平均处理效应以及对待处理群体的平均处理效应方面的统计优越性，以及这些估计器的加权变体，这在政策评估中广泛应用。